Нейронные технологии распознавания и классификация степени раскрытия хлопковых коробочек
Ключевые слова:
Распознавание образов, классификация, машинное обучение, нейронные сети, YOLO, TensorFlow, CSRT, KCF, MedianFlow, MIL, MOSSE, хлопковая коробочкаАннотация
В данной статье предложен усовершенствованный алгоритм обнаружения, подсчета, отслеживания и классификации хлопковых коробочек по степени раскрытия хлопка на изображениях дефолиированных растений. Алгоритм основан на использовании модели YOLOv8 и цветовой сегментации для обнаружения коробочек в алгоритме Лукаса-Канаде. Этот алгоритм проводится с целью отслеживания их перемещения и преобразовании изображений для восстановления их позиции на следующих кадрах. При этом для повышения точности обнаружения используется ансамблевый подход, объединяющий результаты цветовой сегментации, оптического потока и метода преобразования изображения. Эффективность предложенного алгоритма сравнивается с пятью другими алгоритмами обработки изображений из библиотеки OpenCV, и результаты показывают его превосходство по точности и скорости.
Эти параметры считается очень важными для сбора урожая и требуют надежного определения степени раскрытия коробочек в реальном времени, чтобы уменьшить задержку между обнаружением и отправкой управляющего сигнала на исполнительный механизм для управления работой гидроцилиндра, установленный на уборочном аппарате. В связи с этим основной целью данного исследования является оперативное и точное обнаружение, подсчет, отслеживание и классификация степени раскрытия хлопковых коробочек.
Библиографические ссылки
Абдулхамидов, А. (2023). Свёрточная нейронная сеть для классификации хлопка по степени раскрытия. Engineering problems and innovations, 1(3), С. 23-34.
Абдазимов А., Ульжаев Э., Омонов Н. и Раджабов С. (2014). Применение алгоритмов компьютерного зрения для оценки производительности сборщиков хлопка. Передовой научный журнал. 12 , С. 49-51.
Ли Дж., Карки М., Чжан К., Сяо К. и Фэн Т. (2016). Характеристика моделей сбора яблок для роботизированной уборки. Компьютеры и электроника в сельском хозяйстве, 127, С. 633-640.
Ван Хентен, Э.Дж., Ван Туйл, Б.В., Хемминг, Дж., Корнет, Дж.Г., Бонцема, Дж., и Ван Ос, Е.А. (2003). Полевые испытания автономного робота для сбора огурцов. Биосистемная инженерия, 86 (3), С. 305-313.
Кумар Н., Белхумер П.Н., Бисвас А., Джейкобс Д.В., Кресс В.Дж., Лопес И.К. и Соарес Дж.В. (2012). Leafsnap: система компьютерного зрения для автоматической идентификации видов растений. В журнале Computer Vision –ECCV 2012: 12-я Европейская конференция по компьютерному зрению, Флоренция, Италия, 7–13 октября 2012 г., Материалы, часть II 12 С. 502–516
Барре П., Стёвер БК, Мюллер К.Ф. и Штайнхаге В. (2017). LeafNet: система компьютерного зрения для автоматической идентификации видов растений. Экологическая информатика, 40, С. 50-56.
Ферентинос, КП (2018). Модели глубокого обучения для обнаружения и диагностики болезней растений. Компьютеры и электроника в сельском хозяйстве, 145, С. 311-318.
Фуэнтес А., Юн С., Ким С.С. и Парк Д.С. (2017). Надежный детектор на основе глубокого обучения для распознавания болезней и вредителей томатов в режиме реального времени. Датчики, 17 (9), 2022.
Гензе Н., Бхарти Р., Гриб М., Шультайс С.Дж. и Гримм Д.Г. (2020). Точное обнаружение всходов, прогнозирование и оценка качества трех зерновых культур на основе машинного обучения. Растительные методы, 16 (1), С. 1-11.
Гулхане, Вирджиния, и Гурджар, А.А. (2011). Обнаружение болезней на листьях хлопчатника и их возможная диагностика. Международный журнал обработки изображений (IJIP), 5 (5), С. 590-598.
Лян, X. (2021). Классификация болезней пятнистости листьев хлопка, основанная на метрическом обучении. Растительные методы, 17, С. 1-11.
Абдулхамидов А. Оценки производительности свёрточной нейронной сети для классификации хлопка по степени раскрытия. Журнал «Приборы» 2023. № 9. С. 51-55.
Цзян Ю., Ли К. и Патерсон А.Х. (2016). Высокопроизводительное фенотипирование высоты растений хлопчатника с использованием изображений глубины в полевых условиях. Компьютеры и электроника в сельском хозяйстве, 130, С. 57-68.
Буланон Д.М., Катаока Т., Окамото Х. и Хата С.И. (август 2004 г.). Разработка системы машинного зрения реального времени для робота, собирающего яблоки. На ежегодной конференции SICE 2004 г. Том 1, С. 595–598.
Чжао Ю., Гонг Л., Хуан Ю. и Лю К. (2016). Надежное распознавание томатов для роботизированной уборки урожая с использованием слияния изображений. Датчики, 16 (2), С. 173.
Хаяси С., Ямамото С., Сайто С., Отиаи Ю., Камата Дж., Курита М. и Ямамото К. (2014). Полевая эксплуатация передвижного робота-сборщика клубники с использованием передвижной платформы. Ежеквартальный журнал сельскохозяйственных исследований Японии: JARQ, 48 (3), С. 307–316.
Камилов, М. М., Мирзаев, Н. М., & Раджабов, С. С. (2009). Современное состояние вопросов построения моделей алгоритмов распознавания. Химическая технология. Контроль и управление, 2, С. 67-72.
Камилов, М. М., Фазылов, Ш. Х., Мирзаев, Н. М., & Раджабов, С. С. (2020). Модели алгоритмов распознавания, основанных на оценке взаимосвязанности признаков. Ташкент: Фан ва технология.
Ровира-Мас Ф., Чжан К., Рид Дж. Ф. и Уилл Дж. Д. (2005). Алгоритм машинного зрения на основе преобразования Хафа для обнаружения рядов сельскохозяйственных культур автоматизированной сельскохозяйственной машины. Труды Института инженеров-механиков, Часть D: Журнал автомобильной техники, 219 (8), С. 999-1010.
Рубли Э., Рабо В., Конолиге К. и Брадски Г. (ноябрь 2011 г.). ORB: эффективная альтернатива SIFT или SURF. В 2011 г. Международная конференция по компьютерному зрению С. 2564-2571.
Ульжаев Эркин, Абдулхамидов Азизжон, Убайдуллаев Уткиржон Сверточная нейронная сеть для классификации степени открытия хлопковой коробочки // Аль-Фаргоний авлодлари. 2023. №4. URL: https://cyberleninka.ru/article/n/a-convolutional-neural-network-for-classification-cotton-boll-opening-grade (дата обращения: 19.12.2023).
Азизжон А. и Эркин У. (сентябрь 2022 г.). Выбор камеры для распознавания хлопка-сырца и анализа его основных параметров. В 2022 году Международная конференция по информационным наукам и коммуникационным технологиям (ICISCT) С. 1-4.
Абдулхамидов А., Улжаев Э. Определение степени раскрытности хлопкового сырья с помощью технического зрения. Зарегистрирован в Государственном реестре программных продуктов Республики Узбекистан № DGU 23492, 18.03.2023 – год.
Луо Л., Тан Ю., Цзоу Х., Е М., Фэн В. и Ли Г. (2016). Извлечение пространственной информации на основе зрения в гроздьях винограда для роботов-уборщиков. Биосистемная инженерия, 151, С. 90-104.
Улжаев Э., Абдулхамидов А. Преобразование видеоизображения в матрицу, оценка и выбор качественных алгоритмов. Журнал «Приборы» 2023. № 6. С. 21-25.
Улжаев, Э., Абдазимов, А. Д., Равутов, Ш. Т., & Тулбаев, Ф. А. (2011). Микропроцессорная система контроля и регулирования рабочей щели хлопкоуборочного аппарата. Узбекский журнал «Проблемы информатики и энергетики, (5), С. 48-52.
Ульжаев Э., Удабыдуллаев УМ, Абдулхамидов А.А., Эркинов Мастер С.М. (2021). Анализ и выбор методов и датчиков для контроля ширины рабочей щели урожайного устройства cp. Технические науки и инновации, 2021 (3), С. 207-216.
Улжаев Э., Убайдуллаев У., Абдулхамидов А. Анализ современного состояния автоматизации контроля и регулирования ширины рабочих щелей уборочного аппарата хлопкоуборочной машины с вертикальным шпинделем. Международной научно-практической конференции «Вызовы науки сегодня». Вашингтон США 4-5 апреля 2021 г. № 48. С. 977-989.
Ван М., Вэй Дж., Юань Дж. и Сюй К. (июнь 2008 г.). Исследование интеллектуального робота-сборщика хлопка на основе машинного зрения. В 2008 г. Международная конференция по информатике и автоматизации С. 800-803.
Улжаев Э., Абдулхамидов А. Измерение ширины кустов хлопчатника с применением технического зрения и математического обоснования, Научно–технический журнал Ферганского политехнического института, 2023 спец. выпуск №2, стр. 248-251.
Бак, К.В., Хемминг, Дж., Ван Туйл, BAJ, Барт, Р., Вайс, Э., и ван Хентен, Э.Дж. (2017). Оценка производительности робота-уборщика сладкого перца. Журнал полевой робототехники, 34 (6), С. 1123–1139.
Мирзаев, Н. М., Раджабов, С. С., & Жумаев, Т. С. (2008). О параметризации моделей алгоритмов распознавания, основанных на оценке взаимосвязанности признаков. Проблемы информатики и энергетики, (2-3), С. 23-27.
Загрузки
Дополнительные файлы
Опубликован
Как цитировать
Лицензия
Copyright (c) 2024 Азизжон Абдулхамидов, Эркин Улжаев, Уткиржон Убайдуллаев
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
